谷歌DeepMind推出的AlphaEarth Foundations模型整合PB级地球观测数据，解决遥感数据的信息过载与不一致问题。该模型高效生成全球高精度地图，支持农业监测和环境保护，显著降低分析成本，已在多个国家应用，推动生态系统分类与环境研究，未来将扩展至灾害预警等领域。

本文提出了一种级联多模态管道，用于高分辨率生物多样性制图，克服传统方法的局限性。通过深度物种分布模型和Pl@ntBERT，生成大陆尺度的物种分布图和生态指标图，提供精细的生态洞见，并有效整合多源遥感数据，联合建模物种间依赖关系。

本研究利用无人机技术收集了8个胡桃样本地的遥感数据，构建了包含30,240张图像和706,208个实例的绿胡桃数据集（WalnutData），为农业计算机视觉领域提供了基准评估，推动了该领域的发展。

本研究提出了一种结合遥感数据同化、深度学习和大语言模型的方法，以提高小麦育种的产量预测准确性。通过与大语言模型互动，育种者能够更有效地预测小麦产量，支持可持续数据更新，加速高产材料的识别和科学决策。

本研究提出了FedRSClip框架，旨在解决遥感数据在多个机构间的分布问题。通过引入Prompt Learning和双提示机制，优化模型训练并降低通信成本。实验结果表明，该框架在遥感图像分类中表现优越，具备全球知识共享和客户端特定适应能力。

本研究构建了一个涵盖2017年1月至2021年10月的多时相遥感数据集，解决了森林火灾监测中的数据不足问题，支持火灾检测与预测，为火灾管理提供重要数据支持。

本研究提出了一种新颖的多源协同领域泛化框架（MS-CDG），旨在提升单源领域泛化在真实域变化中的表现。实验结果显示，该方法在多源遥感数据集上的性能显著优于现有技术。

本研究开发了一个基于历史野火的遥感数据集，结合多种环境变量，利用机器学习预测野火蔓延。通过比较不同算法，展示了数据集的实用性，并提出了新颖的多模态学习方法，提高了野火识别的准确性。此外，研究还利用深度学习模型分析地理空间数据，提供实时火灾预测和减轻方案。

本研究提出了一种结合多传感器遥感数据与深度学习的新方法，旨在提高冰川观测的精确性，尤其在区分复杂冰川类型方面具有显著潜力，对气候变化和水资源管理研究具有重要影响。

本文探讨了机器学习在地球科学中的应用，强调新方法的重要性及其面临的挑战，包括遥感数据的标签瓶颈、模型可解释性、深度学习的优化和多模态预训练的效果。提出了改进技术和工具，以提高地理空间建模的准确性和效率。

本文探讨了深度学习在遥感数据分析中的应用，重点是卷积神经网络与LiDAR技术的结合。研究表明，深度架构在分类性能上优于单层架构，并提出了多种提高立体匹配和深度重建精度的方法，包括新颖的网络结构和自监督学习策略。这些进展增强了遥感领域深度学习模型的泛化能力和性能。

本文探讨了利用多种遥感数据和机器学习方法进行森林监测和植物物种丰富度预测。研究结合光学图像、SAR数据和深度学习，提高了城市森林树种映射和水分压力估计的精度，展示了高分辨率数据在生态监测中的应用潜力。

本文介绍了PETAL、CREC和IISAN等新颖的视觉-语言模型训练方法，强调了参数高效调优和迁移学习在降低训练成本和提升性能方面的优势。这些方法在少样本设置和遥感数据处理上表现出色，展现了良好的应用潜力和灵活性。

本文探讨了利用遥感数据和卷积神经网络预测非洲基础设施质量，以推动可持续发展目标。研究表明，基于Landsat 8数据的模型在电力、排污、自来水和道路建设等方面的预测效果优于其他方法，并且能够在未知地区进行有效预测，具有广泛的应用前景。

DiffusionSat 是一个大型生成基础模型，利用高分辨率遥感数据集进行训练，能够处理卫星图像生成和超分辨率等多种任务。此外，研究还提出了基于深度学习的模型，用于多光谱和高光谱图像建模，展示了其在数据同化中的应用潜力。

本文探讨了利用机器学习和深度学习技术处理遥感数据的方法，包括植被分类、树木覆盖率估计和碳储量评估。研究表明，结合多光谱数据和深度学习模型可显著提高遥感数据处理的效率和准确性，尤其在农业和森林监测领域具有重要应用价值。

该研究利用机器学习和遥感数据评估社区韧性，提出三层深度学习模型，将韧性划分为五个级别，并分析城市发展对韧性的影响。同时，研究全球灾害风险，特别关注洪水和滑坡的预测，强调多数据源整合的重要性，以应对气候变化带来的挑战。

本研究探讨了深度学习在森林变量预测和遥感数据处理中的应用，特别是迁移学习和多模态学习技术的有效性。实验表明，SeUNet模型在森林结构预测中具有更高的准确性，而新提出的三维深度学习方法在分类准确率和计算成本上优于现有技术。此外，研究还涉及高光谱影像处理、雷达数据增强及海洋无人机目标检测，展示了深度学习在数据处理中的潜力与挑战。

本文介绍了一种基于深度学习的卫星图像细化框架，利用无人机高分辨率图像优化农业领域的NDVI图，从而提升作物监测精度。研究通过神经网络和SAR数据实现了作物分类和森林监测，展示了机器学习在遥感数据处理中的有效性。

本研究提出了一种基于注意力机制的深度学习方法来估算森林地上生物量，准确性更高。研究证实了利用卫星数据进行生物量估算的深度学习方法的可行性。